---
title: "Physical Intelligence の π0.5 と Runpod と Claude Code を選ぶ理由 ― 替えずに比べる相手を足す"
slug: why-pi05-runpod-claude-code
date: 2026-10-28
day: 396
meta_description: "Genie 4・Gemini Robotics・Pi API・GR00T・ACT と比べ、Physical Intelligence の π0.5 と Runpod と Claude Code を選ぶ理由を Claude と対話で確かめた。"
tags: [π0.5, Physical Intelligence, Runpod, Claude Code, Genie 4, Gemini Robotics, GR00T, ACT, クラウドGPU, VLA, フィジカルAI, 考察]
question: "なぜ/この組み合わせを/選ぶのか。"
key: "組み合わせ"
series: "考察記事"
---

10月27日、Google DeepMind が Genie 4 を発表しました。文章で指示すると、写真のような世界をその場で作り、その中を動き回れる世界モデル（次に何が見えるかを予測して映像を作る AI）です。X には、ロボットが無限の練習場を手に入れた、という紹介が流れました。ロボットに作業を覚えさせるには、練習の場とお手本と計算機が要ります。それがまとめて手に入るなら、個人がロボットを学習させるときの道具の選び方も変わるかもしれません。

この紹介の画面写真を Claude に見せて、実際どうなのかを聞いたところから対話が始まりました。Genie 4 の公式の発表を読むと、ロボットのデモは、別の AI が書いた手順の文に沿って Genie 4 が映像を描いたものでした。ロボットがその世界の中で動いて学んだわけではなく、本物のロボットに移したときの成績も出ていません。そこから、Google のロボット用モデル Gemini Robotics、Physical Intelligence の π0.5（パイレイテンゴ。画像と言葉の指示を受けてロボットの動きを出すモデル）、10月13日に始まった Pi API（お手本を預けると、学習と推論を代わりに回すサービス）と比べていき、最後に、今の組み合わせのほかに良いものがあるかを調べました。

このプロジェクトでは、mechArm 270-Pi という卓上の安いロボットアームで π0.5 を学習させています。学習は Runpod（GPU を時間単位で借りるクラウド）で回し、手順を書いて動かす作業は Claude Code（コードを書いて実行する AI）に任せています。調べた結果、この組み合わせを替える理由は見つかりませんでした。選んでいる理由を並べると、次のようになります。

| 役 | 選んでいるもの | 選ぶ理由 | 比べたもの |
|---|---|---|---|
| 動かすモデル | π0.5 | 重みが公開されていて、自分のアームのお手本で追加学習できる。公開モデル4種を同じお手本で比べた実機の試験で同率首位、カメラの置き方を変えても崩れにくい | Gemini Robotics 2（体を動かすモデルは早期パートナー限定）、GR00T（カメラの置き方に弱い）、SmolVLA（最下位） |
| 計算機 | Runpod | 処理ごとに GPU を選べる。GPU の型番・借りた時間・費用を記録に残せる | Pi API（裏のモデルが更新され、中身が見えない）、Vast.ai（最安だが貸し手の品質がばらつく） |
| 作業の相棒 | Claude Code | 学習の手順を書き、借りた GPU の上で回せる | 米国のロボットソフトの会社 PickNik も、Claude Code から Runpod で π0.5 を学習させる手順を、製品の説明書に載せている |

3つに共通しているのは、結果が固定されて、他の人が同じ手順をたどれることです。このプロジェクトの目標は、誰でも同じ環境からロボットの学習を始められる状態を増やすことです。裏で中身が変わるサービスでは、同じ手順をたどっても同じ結果になる保証がありません。

**この組み合わせを選んでいるのは、いちばん強いからではなく、他の人が同じ手順で同じ結果にたどり着けるからだった。**

替える代わりに、足すものは見つかりました。ACT という小さな学習モデルです。同じ実機の試験で首位より遅かったものの、人が安全のために止めた回が一度もなく、学習も安く済みます。同じお手本で ACT も学習させて π0.5 と並べれば、π0.5 がどれだけ伸びたかを数字で言えるようになります。一方で、いちばん困っているお手本集め（ブロックの置き場所を散らしたお手本をどう作るか）は、どの組み合わせを選んでも解けないことも分かりました。

GPU を買うか借りるかの判断は、Runpod で実際に借りて学習させた費用をもとに、別のページにまとめています。

【バナー】gpu-buy-or-rent


## 作業ログ ― Claude との対話を、そのまま残す

ここから下は、対話の全量です。ユーザーの発言を引用で、Claude の答えを本文で載せています。各節の頭の太字の一文は、その節で Claude が答えようとした問いです。値段や数字は2026年10月28日に調べた時点のもので、会社の主張と論文の数字が混ざっています。円は1ドル約157円で換算しています（対話の前半には、ドルのままの所があります）。答えの中で私を名前で呼んでいた所は外し、答えの末尾に付いていた出典は、記事の最後にまとめました。最初に見せた X の投稿の画面写真は、それぞれの投稿者の文章なので記事には載せず、中身を文で紹介しています。

【図解】LOG396_vla_compare.html


## Google DeepMind の Genie 4 は、ロボットが学べる練習の世界にはまだなっていない

> （X の投稿の画面写真5枚。[The Humanoid Hub の投稿](https://x.com/thehumanoidhub/status/2115166607249142151)は、Google DeepMind が Genie 4 を発表したことを紹介するもの。文章で操作できる、写真のような世界モデルになり、音を出せるようになり、衝突や空気の流れの物理演算も良くなった。ロボットにとって大事なのは美しい世界ではなく、ロボットやエージェントのための、いくらでも変えられる練習の環境だ。Gemini 4 Argon と Gemini Robotics と組み合わせて、Apptronik の人型ロボット Apollo がチェッカーをする様子をシミュレーションした、という内容。Genie 3 と Genie 4 の見え方を並べた動画の投稿もあった。返信欄には、驚きの声のほかに、シミュレーションが自分で作られるなら幻も作られる、Genie が摩擦をごまかせばロボットはそのごまかしを覚えるので Apollo の実機での数字を見たい、Genie が返すのは画像だけで報酬と状態はどこから取るのか、濡れたコップを渡せば作り物の物理はうそをつく余地が大きい、という指摘が並んでいた。画面の一部は X の日本語の自動翻訳で表示したもの）
>
> これは実際どうなの？

**— Genie 4 で、ロボットは無限の練習の世界を手に入れたのか。**

発表自体は本物です。ただ「ロボットが無限の練習世界で学べるようになった」段階には、まだ来ていません。

実際に見せたもの

- Apollo のチェッカーは、ロボットが世界の中で動いて学んだ映像ではありません。Gemini 4 Argon が指示を手順に分け、それを文字の説明として Genie 4 に渡し、Genie 4 がそれに沿って映像を描いているだけです。ロボットの動きそのものも Genie が描いています。
- 実機に移したときの成績や、物理の正確さを測った数字は出ていません。DeepMind が評価結果や API の詳細を出すまでは、試作向けの仕組みの予告として見るのが妥当という見方もあります。

公式が自分で書いている限界

複雑な物理のやりとり、空間の正確さ、長い時間の一貫性は、まだ研究中とあります。ロボットの学習に一番必要なところが、まさにここです。

返信欄の指摘のほうが核心を突いている

- Genie が返すのは映像だけ。物の位置や成功の判定（報酬）をどこから取るのか、という問題が残る
- Genie が摩擦をごまかせば、ロボットはそのごまかしを覚える
- 濡れたコップのように「少しずれたら失敗する」作業ほど、作られた物理はうそをつきやすい

使えるようになる時期

今は信頼できるテスター向けの研究版で、その後 Google AI Ultra 加入者と一部の API 利用者に広げる予定です。一般公開の時期と価格は未発表です。

このプロジェクトの研究に当てはめると、学習に使う物理シミュレーションは今の Unity・MuJoCo のまま（実機で測った物理が正）です。Genie 4 が効きそうなのは、サービスロボット導入シミュレーションのような「店でどう見えるか」を素早く見せる下書きの役目です。


## Google の評判は、Genie が「驚くがまだおもちゃ」、Gemini Robotics が堅実

> Googleのはあまり使ったことはないけど評判はどうなのかな？

**— Google の世界モデルとロボット用のモデルは、使った人からどう見られているのか。**

「Google のロボット・世界モデル系」の評判として、手に入る情報をまとめます。

Genie（世界モデル）：「驚くけど、まだおもちゃ」

- 前の版（Genie 3）は今年1月に、米国の最上位プラン加入者向けに Project Genie として公開されました。720p・毎秒24コマ前後で、キーで動かすと目の前の道がほぼその場で描かれる仕組みです。
- 一方で操作の遅れがあり、1つの世界を探索できるのは1回60秒まで。物理を正確に再現すると宣伝されていたのに、実際には現実の物理に合わない動きも出やすいと言われています。
- 大手テック媒体の試用記事でも、以前の同種の技術より一貫性は大きく進んだが、まだ本番で使える段階ではないという評価です。ゲーム系の記事では、動きがふわふわして作り込みが足りないと厳しめでした。

Gemini Robotics（ロボット用のモデル）：評判は堅実、こちらが本命

- 7月末に第2世代が出ています。考える役のモデルは開発者向けツールで使える一方、体を動かすモデルは早期パートナー限定です。
- 手先の器用さについては、五本指の細かい協調はまだ最前線の課題で、解けてはいないと、誇張せずに書かれているのが好印象です。
- 弱点として挙がるのは、常に Google のクラウドに接続している必要がある点です。

試すなら

Genie 4 は待機リスト待ちなので、今すぐ触れるのは Gemini Robotics ER 2 のほうです。Gemini API と Google AI Studio で一般公開されているので、mechArm のカメラ画像を渡して「どこを掴むか」「作業がどこまで進んだか」を判定させる実験なら、クラウド GPU も不要ですぐ始められます。


## π0.5 と Gemini Robotics は役割が違い、個人が追加学習できるのは π0.5 だけ

> π0.5と比べたときはどうですか？

**— 体を動かすモデルとして、π0.5 と Google のモデルはどちらを使うべきか。**

同じ土俵のものではなく、役割が違います。比べるなら「Gemini Robotics 2（体を動かす役）」と π0.5 ですが、このプロジェクトで実際に使えるのは π0.5 のほうだけです。

体を動かすモデルどうし

- π0.5（Physical Intelligence）：重みが公開されていて、自分の機体のお手本で追加学習できます。推論は8GBを超える GPU、全体の追加学習は70GBを超える GPU（A100・H100級）が目安です。
- Gemini Robotics 2：重みは非公開で、早期パートナー限定です。性能を比べる以前に、個人では触れません。

Gemini で今使えるのは「考える役」

Gemini Robotics ER 2 は、作業の手順を考えたり、どこまで進んだかを判定したりする役です。関節を直接動かすわけではありません。

このプロジェクトの構成に当てはめると、組み合わせるのが自然です。

- ER 2：手順の決定と成功判定（今 Claude で行っている PICK・PLACE の判定と同じ位置）
- π0.5：実際の動き（ここが Motion UX の差別化に当たる部分）

「計画層は順番だけ決め、動きの質は自分で持つ」という今の方針とそのまま重なります。

再現性で見ると π0.5 が有利

主指標の「他人が同じ手順で同じ結果に届く」に照らすと、重みが固定で公開されている π0.5 は条件を満たしやすいです。Gemini の API はモデルが裏で更新されるので、同じ結果の再現が難しくなります。

Physical Intelligence 側の最近の動き

10月13日に Pi API のベータが始まりました。お手本データを上げれば、追加学習と推論を Physical Intelligence 側の計算機で回してくれます。参加は待機リストで、価格は未発表です。最新の π0.7 は重みが公開されていませんが、日本のヒューマノイド D1 のチームが π0.7 を元に追加学習したと発表しています。


## Physical Intelligence の Pi API は、学習と推論を預かるが、お手本集めは肩代わりしない

> 10月13日に Pi API のベータが始まりました。お手本データを上げれば、追加学習と推論を Physical Intelligence 側の計算機で回してくれます。
>
> についてもっと詳しく！

**— Pi API に預けると、何が楽になり、何が残るのか。**

何をしてくれるサービスか

お手本データを上げると、追加学習を Physical Intelligence が管理する計算機で回し、仕上がったモデルを中継サーバー経由で推論させてくれます。実機で試した結果を見て、次の改善に回す流れです。

つまり、今 Runpod と openpi で自力でやっている「GPU を借りる・環境を組む・学習を回す・推論サーバーを立てる」を丸ごと肩代わりするものです。

使えるモデル

- 報道によって書き方が違います。π0 と π0.5 とする記事もあれば、API の最新モデルは追加学習に必要なデータが少なく済み、性能も上がっていると書く記事もあります。
- 裏のモデルはすぐ更新できるので、最新・最強のモデルを順次使えるようにする方針とのことです。非公開の π0.7 が入っているかは明言されていません。

実例

- Almond（サンフランシスコ）の双腕ロボット Axol：API で4日間改善を回したモデルで、自分の組み立てに使う部品のバリ取りをこなした
- Actor（ユタ州）：オペレーターが乗っていないホイールローダーが、土砂をすくってダンプに積む商用運用
- 早期利用者はほかに十数社あり、日本からスイス、米国各地まで使われています。ほとんどがクラウドでの推論です。

各社に共通した改善の進め方は、お手本を集める → 学習する → 実機で試す → 失敗から次に集めるデータを決める、という流れだったそうです。

弱点・未定のところ

- 一部の利用先では、ネットワーク接続の問題が改善点として挙がっています。推論がクラウド経由なので、回線が動きの質に直結します。
- 参加は待機リスト制で、作りたいものを書いて申し込みます。価格、GPU の割り当て、提携先の全体像は公開されていません。

このプロジェクトに当てはめると

- 楽になる所：70GB 超の GPU を借りる学習と、その環境づくり
- 楽にならない所：今いちばん困っているお手本集め（ブロック位置のばらつき作り）。ここは API でも自分でやるしかありません。
- 主指標との相性：裏のモデルが勝手に更新されるので、他人が同じ結果を再現するのは難しくなります。研究室シリーズの正は openpi の π0.5 のまま置き、API は「同じお手本データで比べる相手」として使うのが筋が良いと思います。

申し込みフォームは英語なので、「mechArm 270 で何をしたいか」の申込文を日本語で一緒に決めて、英訳まで作れます。


## mechArm でも Pi API に申し込んでよく、計算機は Runpod を本線にする

> mecharm270でやるには勿体無いかな。別のアームを購入したり、プロジェクトがあれば待機リストに入れるって感じかな。
>
> あとrunpodで構築した方がいろんなGPUを借りれて良さそうに思ったけどどう思いますか？

**— 安いアームで Pi API を使うのは勿体ないのか。計算機は Runpod でよいのか。**

mechArm で申し込むのは勿体なくないと思います

- 待機リストに入るのは無料で、何も失いません。「作りたいもの」を書くだけなので、今の mechArm の受け渡しや Pick&Place で十分書けます。
- 安いアームで回るなら、それ自体が「誰でも同じ環境から始められる」という Mission の側の材料になります。高いアームより安いアームでの結果のほうが、Pixels to Motors としては価値があります。
- 逆に、API のために別のアームを買うのは MASTER の「将来やるかもしれない研究のために先回りして買わない」に当たります。アームを買うのは、mechArm で実測したボトルネック（精度・可搬重量・お手本集めのしにくさ）が出てからで良いです。

なので「今申し込んでおいて、通ったらその時点の機体で試す」が一番軽いと思います。

Runpod を本線にするのは賛成です。理由は3つです。

- GPU を選べる：推論は小さい GPU、学習だけ A100・H100 級、と処理ごとに借り分けられます。MASTER の「目的の処理が動く最小の GPU を借りる」とそのまま合います。
- 記録が残せる：GPU の型番・時間・費用を記事に書けます。API は裏で何が動いているか見えないので、「型番と組で速度を書く」決まりが守れません。
- 結果が固定される：重みが自分の手元で固定されるので、他人が同じ手順で再現できます。API は裏のモデルが更新されるので、主指標の条件を満たしにくいです。

API の使いどころ

本線は Runpod＋openpi の π0.5 のまま置き、API は通ったら「同じお手本データで、最新モデルだとどこまで違うか」を比べる相手にする、という役割分担が良いと思います。その差が、そのまま考察記事の材料になります。

Runpod だけ一点、使い終わったら停止ではなく削除まで、削除の前にログを手元に移す、を忘れずに。


## π0.5・Runpod・Claude Code の他の組み合わせは、替えるより足すほうが得だった

> 今のところπ0.5とRunpod、Cluade codeなどの組み合わせがコストパフォーマンス高そうですが、他にも良さそうな組み合わせはどんなものはあるか調査、分析してみてください。

**— 動かすモデル・計算機・お手本集め・判定役のそれぞれで、今より良い組み合わせはあるのか。**

調査メモを research フォルダに `research_lab_stack_combinations_20261028.md` として保存し、README の一覧にも1行足しました。

結論：今の組み合わせは外れていません。替えるより、横に足すのが得です。

1. 動かすモデルは π0.5（Physical Intelligence）のままが一番筋が良い

- 公開されている4つのモデルを同じお手本で比べた実機の試験では、上位2つ（π0.5 と NVIDIA の GR00T）の差は見分けられませんでした。小さな SmolVLA ははっきり最下位でした。
- 決め手は、カメラと箱の置き方を変えたときの崩れにくさです。GR00T は外のカメラに強く頼っていて、π0.5 が上位で一番崩れにくい結果でした。上の iPhone を毎回付け外しする今の環境には、ここが効きます。

2. 足すなら ACT を物差しに

ACT（小さな模倣学習のモデル）は、同じ試験で安全停止がゼロでした。学習も安いので、同じお手本で ACT を学習させて π0.5 と並べれば、π0.5 の伸びを数字で語れます。

3. 計算機は Runpod を本線のまま、借り分ける

- 推論は RTX 4090 級、学習だけ A100 級、と処理ごとに分けます。
- Vast.ai は A100 80GB が1時間 約105円と安い一方、個人が貸し出す市場なので値段と品質がばらつきます。
- Runpod には福島の拠点もあり、遅延は 8〜50ミリ秒（米国・欧州の拠点だと 150〜200ミリ秒）です。ただ、今は H200 しかなく推論には高すぎます。

4. 判定役に Gemini Robotics ER 2 を並べる

年末までは半額で、入力 100万トークンあたり 約157円です。今の Claude の成否判定と同じ画像で比べられます。

5. 注意が1つ

LeRobot 版の π0.5 の元の重みには Gemma の利用規約が付き、学習した重みを配る・置くときに条件がかかります。公開して再現してもらう前提なら、配る前に読む必要があります。

もう一つ心強い材料として、PickNik が「Claude Code から Runpod の GPU で π0.5 を学習させる」手順を製品の説明書に載せていて、L40S・A100 で1時間 約1ドル（約157円）が目安とあります。今の組み合わせは、海外の既製品と同じ形です。

一番の詰まりであるお手本集め（ブロック位置のばらつき）だけは、組み合わせを変えても解けません。SO-101 の追加か Unity での水増しか、の判断はメモの③-3にまとめました。


## π0.5・Runpod・Claude Code を選ぶ理由は、強さより、結果が固定されて他の人がたどれることにあった

対話は、ロボットが無限の練習場を手に入れた、という紹介から始まりました。Genie 4 は、文章の指示に沿って写真のような映像を描きますが、ロボットがその中で動いて学ぶ段階には来ていません。Google のロボット用モデルも、考える役は誰でも API で使える一方、体を動かすモデルは早期パートナー限定で、個人では触れません。Pi API は学習と推論を代わりに回してくれますが、裏のモデルが更新されるので、同じお手本から同じ結果が出る保証がなくなります。

比べていくと、選ぶ基準は、どれがいちばん強いかではなく、自分の手元で結果を固定できるかに寄っていきました。π0.5 は重みが公開されていて、同じお手本で比べた実機の試験でも首位に並びます。Runpod は、借りた GPU の型番・時間・費用を記録に残せます。Claude Code は、その手順を書いて回します。3つとも、他の人が同じ手順をたどれる形で残ります。

今の組み合わせを替えずに、足すことにしたものは次の2つです。

- ねらい：π0.5 の成績が良いのか悪いのかを、比べる相手がいない状態で判断しないようにする
- 変わったこと：本線（π0.5＋Runpod＋Claude Code）は替えず、同じお手本で ACT を学習させて並べる。成否の判定は、Claude と Gemini Robotics ER 2 で同じ画像を判定させて比べる
- 見込める効果：π0.5 の伸びを、1回あたりの時間と人が止めた回数の数字で言えるようになる（見込み。まだ学習していない）。判定役の正しさも、人の判定と合う割合で比べられる

残った課題はお手本集めです。ブロックの置き場所を散らしたお手本は、どのモデルや計算機を選んでも、自分で作るしかありません。

**道具は、いちばん強いものではなく、他の人が同じ手順で同じ結果にたどり着ける形で残せるものを選んでいる。**


## 調査メモの全文は、記事の外のファイルに置く

対話の最後に Claude が書いた調査メモを、手を加えずにそのまま載せます。research フォルダに保存したものと同じ中身です。チャットでの答えは、このメモの要点を抜き出したものでした。メモの中の数字は、それぞれの出典の時点のものです。確かめられなかったことも、メモの中に書いてあります。

### research_lab_stack_combinations_20261028.md（学習・推論の組み合わせ比較：π0.5＋Runpod＋Claude Code の他に何が組めるか）

```markdown
# 学習・推論の組み合わせ比較：π0.5＋Runpod＋Claude Code の他に、何が組めるか

- 調べた日：2026-10-28
- 前の調査：[research_physical_ai_learning_env_20260930.md](research_physical_ai_learning_env_20260930.md)（環境の全体像）／[research_beyond_imitation_learning_20261027.md](research_beyond_imitation_learning_20261027.md)（強化学習・合成データ・SO-101 の既製の道）
- 方針：数字は開いた記事・論文・公式の説明書にあるものだけを書く。価格は記事ごとに時点と条件が違うので幅で書く。円は 1ドル＝約157円（10月中旬の水準）で換算した目安
- きっかけ：Google の Genie 4 と Gemini Robotics、Physical Intelligence の Pi API を見て、今の組み合わせより良いものがあるかを確かめる

---

## ① 要点

1. **動かすモデルは π0.5 のままが一番筋が良い。** 公開された VLA（画像と言葉から動きを出すモデル）4種を同じお手本で比べた実機の試験（PhAIL、Franka）で、π0.5 と NVIDIA の GR00T N1.6 が同率首位、ACT が3位、SmolVLA が最下位だった。しかも π0.5 は、カメラと箱の置き方が変わっても成績が落ちにくかった。上の iPhone を毎回付け外しする mechArm には、ここが効く
2. **置き換えるより、横に物差しを置くのが得。** ACT（小さな模倣学習のモデル）は首位より遅いが、同じ試験で安全停止がゼロだった。学習も安い。同じお手本で ACT を学習させて π0.5 と並べれば、π0.5 の伸びを測る物差しになる
3. **計算機は Runpod を本線のまま、用途で借り分ける。** 推論は RTX 4090 級（1時間 約53〜108円）、GR00T のような 40GB 超が要る学習は L40S（約124円）、π0.5 の全体の学習だけ A100・H100 級。もっと安い Vast.ai、円で払える国内のさくら高火力もあるが、それぞれ癖がある（③-2）
4. **考える役・判定する役に Gemini Robotics ER 2 を足す余地がある。** 年末まで半額（入力 100万トークンあたり 約157円）。今の Claude の成否判定と同じ画像で比べられる
5. **お手本集めが一番の詰まりで、ここは組み合わせでは解けない。** SO-101 のリーダー・フォロワー（部品代で 約3.6万円）を足すか、Unity でお手本を増やすか。前者は既製の道が多く、後者は買い物がない
6. **注意：π0.5 の元の重みの使用条件。** LeRobot 版の π0.5 の元の重みには Gemma の利用規約が付き、学習した重みを配る・置くときに条件がかかる（PickNik の説明書）。公開して再現してもらう前提なら、配る前に条件を確かめる

---

## ② 組み合わせを5つの層に分ける

| 層 | 今 | 他の候補 |
|---|---|---|
| A 動かすモデル | π0.5（openpi） | GR00T N1.7／ACT／SmolVLA／Pi API（預けて学習）／Gemini Robotics 2（触れない） |
| B 計算機 | Runpod | Vast.ai／Modal／さくら高火力／Pi API に丸ごと預ける |
| C お手本の集め方 | 手で教えた要所の再生（LOG349） | SO-101 のリーダーアーム／Unity での合成・水増し／人の動画の変換 |
| D 考える役・判定する役 | Claude（PICK・PLACE の成否判定） | Gemini Robotics ER 2 |
| E 作業の相棒 | Claude Code | 同じ形の既製品：PickNik の学習用スキル（Claude Code から Runpod で π0.5・SmolVLA を学習） |

---

## ③ 層ごとの中身と数字

### ③-1 動かすモデル

**同じお手本で4つを比べた実機の試験（PhAIL）**

- 条件：Franka FR3、外のカメラと手首のカメラ、箱から箱へのピッキング（木のスプーン・タオル・はさみ・電池）。お手本 449本（約13時間）を4つに共通で使い、各モデルの標準の学習手順のまま。評価は、どのモデルが動いているかを操作する人に知らせない形
- 結果（人の操作の速さを100%としたときの割合。高いほど良い）

| モデル | 人と比べた速さ | 安全停止の割合 | カメラと箱の置き方を変えたときの完了率の差 |
|---|---|---|---|
| π0.5（openpi） | 13.8% | 4.5% | 6.1ポイント |
| GR00T N1.6 | 13.3% | 2.9% | 22.2ポイント |
| ACT | 10.5% | 0% | 4.0ポイント |
| SmolVLA | 6.4% | 12.2% | 2.6ポイント（もともと低い） |

- π0.5 と GR00T の差は統計的に見分けられなかった。一番良いモデルでも人の約7倍遅い
- GR00T は外のカメラに頼る度合いが強く、置き方の変化で大きく落ちた。π0.5 が上位で一番崩れにくかった
- 学習の手順：π0.5 は LoRA（重みの一部だけを足して学ぶ方法）で 20万ステップ、GR00T は視覚と言葉の部分を凍結して 15万ステップ

**SO-101（安いアーム）での比較（Project-IRA、Hugging Face で公開）**

- 4つの作業をまとめて学ばせると、π0.5 が SmolVLA を大きく上回った。π0.5 は 8,000〜10,000ステップで仕上がり、SmolVLA は 10万〜20万ステップかけても届かなかった。SmolVLA（約4.5億の重み）は、複数の作業を覚えるには小さすぎるらしい

**各モデルの必要な GPU と条件**

| モデル | 推論 | 学習 | 使用条件 | 備考 |
|---|---|---|---|---|
| π0.5（openpi） | 8GB 超（例 RTX 4090） | 全体を学ぶなら 70GB 超（A100・H100）。LoRA なら 22.5GB 超（前の調査） | コードは Apache 2.0。LeRobot 版の元の重みは Gemma の規約付き | Ubuntu 22.04 で確認。推論を別のサーバーに置ける |
| GR00T N1.7 | 16GB 以上 | 40GB 以上（24GB なら LoRA） | 資料により NVIDIA のモデル使用許諾／Apache 2.0 と書き方が分かれる（未確認） | LeRobot に正式に入っている。SO-101 の手順あり。元の重みは申請して取得 |
| ACT | 小さい | 家庭用の GPU で足りる | LeRobot（Apache 2.0） | 1つの作業向け。言葉の指示は使わない |
| SmolVLA | 2〜6GB | RTX 4090（24GB）で全体を学べる | LeRobot | 安いが、上の2つの比較では最下位 |
| Pi API | 預けた先 | 預けた先 | 未発表 | 待機リスト制。裏のモデルが更新される |

### ③-2 計算機（1時間あたり、1ドル＝約157円で換算）

| 借り先 | RTX 4090 | L40S（48GB） | A100 80GB | H100 | 特徴 |
|---|---|---|---|---|---|
| Runpod | 約53〜108円（共有〜専用） | 約124円 | 約218〜393円（記事により差） | 約312〜454円（PCIe） | 秒単位の課金。日本の拠点（福島、AP-JP-1）は H200 のみで、遅延 8〜50ミリ秒。米国・欧州の拠点だと 150〜200ミリ秒 |
| Vast.ai | 約31〜47円 | 約49円（L40） | 約105円 | 約141〜294円 | 個人が貸し出す市場なので最安だが、値段と品質がばらつく。日本の貸し手は少ない |
| Modal | — | — | — | 約620円相当 | 関数ごとに秒で課金し、使っていない間はゼロ。長い学習より、短い推論の呼び出し向け |
| さくら高火力 DOK | — | — | — | 1,008円（2024年の発表値） | 円で払える国内（石狩）。Docker の箱をそのまま秒単位で回す。今の値段は未確認 |
| さくら高火力 VRT | — | — | — | 990円（2025年の発表値） | 仮想マシン型 |

- 推論の遅延について（推論）：π0.5 は一度に 50ステップ分の動きをまとめて出すので、往復 150〜200ミリ秒でも、mechArm の遅い動きなら破綻はしにくいと考えられる。実測はしていない。日本の拠点を使うと遅延は下がるが、今は H200 しかなく推論には高すぎる

### ③-3 お手本の集め方

| 方法 | 費用 | 根拠 | mechArm への当てはめ |
|---|---|---|---|
| 要所を手で教えて再生（今） | 人の時間だけ | LOG349 で3回とも成功 | ブロックの位置のばらつきが作りにくい |
| SO-101 のリーダー・フォロワー | 部品代 約3.6万円（リーダーとフォロワーの組、3Dプリンター別）。組み立て済み 約4.7万円（Seeed、税別） | LeRobot で最も公開データが多い機体（LeRobot の 2026年の論文） | mechArm の操縦には直接使えない。SO-101 を2台目の機体として使う形になる |
| シミュレーションで水増し | GPU の時間 | MimicGen：人のお手本10本から作った200本が、人の200本と同等。InternData-A1：条件をそろえれば、シミュレーション 1,600本未満で実機 200本に並んだ | Unity の双子で要所の位置を散らして作る。実機との差の確認が要る |
| 人の動画を変換 | 撮影の手間 | 前の調査（research_human_to_robot_conversion_20261027.md） | 前の調査のとおり |

### ③-4 考える役・判定する役

- Gemini Robotics ER 2：100万トークンあたり、入力 約157円・出力 約785円（2026年12月31日までの半額。来年からは倍）。重みは非公開で API だけ
- Claude は今の PICK・PLACE の判定で実績あり。ER 2 は作業がどこまで進んだかの判定を売りにしている（Labellerr の記事では、進み具合の分類の正答率 57.4%）

### ③-5 作業の相棒

- PickNik（MoveIt Pro）の説明書に、Claude Code からスキルを呼び、Runpod の GPU で π0.5 か SmolVLA を学習させ、仕上がりを Hugging Face に置く手順がある。L40S・A100 で 1時間 約1ドル（約157円）が目安とある
- 今のエイイチさんの組み合わせ（Claude Code＋Runpod＋π0.5）は、海外の既製品と同じ形。外れた選択ではない

---

## ④ 組み合わせ案

| 案 | 中身 | 費用の目安 | 良いところ | 気になるところ |
|---|---|---|---|---|
| 本線（今） | π0.5＋Runpod＋Claude Code＋Claude の判定 | 学習 A100 級で数時間、推論 4090 級 | 再現しやすい。π0.5 はカメラの置き方に強い | お手本の位置のばらつき |
| 物差しを足す | 本線＋同じお手本で ACT | 学習は家庭用 GPU 級で安い | 安全停止が少ない基準ができ、π0.5 の伸びを数字で言える | 1つの作業向け |
| 推論を安く | 推論だけ Vast.ai の 4090（約31〜47円） | 本線より安い | 費用が半分以下になりうる | 貸し手の品質がばらつく。記録に貸し手の条件も残す必要 |
| 判定を二重に | 本線＋Gemini Robotics ER 2 | トークン代のみ | 判定の正しさを2つで比べられる | API の裏のモデルが変わる |
| 2つ目のモデル | GR00T N1.7 を同じお手本で | L40S で 約124円／時 | 比べた結果がそのまま記事になる | カメラの置き方に弱い。使用条件の書き方が資料で揺れる |
| 預ける | Pi API | 未発表 | 最新のモデル | 待機リスト。再現性で不利 |

---

## ⑤ 次の一手（推論）

ここからは調べた数字からの推論で、mechArm で確かめた手順ではない。

1. **同じお手本で ACT を学習させ、π0.5 と並べる。** 安く、物差しになる。PhAIL と同じく、成功率だけでなく1回あたりの時間と安全停止の回数で比べる
2. **推論の GPU を下げて測る。** Runpod の 4090 と Vast.ai の 4090 で、遅延と費用を記録する（型番・時間・費用は MASTER のとおり組で残す）
3. **判定役を比べる。** 同じ PICK・PLACE の画像を Claude と Gemini Robotics ER 2 に判定させ、人の判定と合う割合を出す。年末までは半額
4. **Pi API の待機リストに申し込んでおく。** 無料。通ったら、同じお手本で比べる相手にする
5. **GR00T は後回し。** 上のカメラを付け外しする環境では弱点が出やすい。試すなら、カメラの位置を固定してから
6. **公開の前に π0.5 の元の重みの規約を読む。** 学習した重みを Hugging Face に置くかどうかで、再現可能な環境の数え方が変わる

---

## ⑥ 確かめられなかったこと

- Physical Intelligence の Pi API の公式ページは開けなかった（記事2本のみ）
- さくら高火力の今の値段。上は発表時の値段
- GR00T N1.7 の使用条件は、資料によって NVIDIA のモデル使用許諾と Apache 2.0 で書き方が違う
- Runpod の A100 の値段は記事によって約2倍の差がある。実際に借りる画面の値段が正
- 往復の遅延が mechArm の動きにどれだけ効くかは、測っていない
- PhAIL は Franka での結果。mechArm のような安いアームで同じ順位になるかは分からない

---

## Sources

- [PhAIL：公開 VLA 4種の実機比較（arXiv 2605.29710）](https://arxiv.org/pdf/2605.29710)
- [Project-IRA：SO-101 で π0.5 と SmolVLA を比較](https://huggingface.co/Project-IRA)
- [Physical Intelligence の Pi API ベータ（Unite.AI）](https://www.unite.ai/physical-intelligence-opens-pi-api-beta-for-robot-foundation-models/)
- [Pi API のモデルと実例（AI Weekly）](https://aiweekly.co/alerts/physical-intelligence-opens-pi-api-beta-for-0-05-fine-tuning)
- [PickNik：Claude Code と Runpod で π0.5 を学習する手順](https://docs.picknik.ai/how_to/vla/train_a_vla_policy/)
- [GR00T N1.7 を SO-101 で使うときの GPU の条件](https://openelab.io/blogs/learn/nvidia-groot-1-7-so-101-lerobot-requirements)
- [NVIDIA：GR00T 1.7 の学習の説明書](https://docs.nvidia.com/learning/physical-ai/gr00t-e2e-workflow/latest/real-robot-workflow/real-fine-tuning-and-leapp.html)
- [Runpod 日本の拠点 AP-JP-1](https://blog.runpod.io/runpod-expands-in-asia-pacific-with-launch-of-ap-jp-1-in-fukushima)
- [Runpod・Lambda・Vast.ai の比較（2026）](https://tech-insider.org/runpod-vs-lambda-vs-vast-ai-2026/)
- [Vast.ai と Runpod の値段](https://vantaige.io/ai-tool/vast-ai)
- [GPU クラウドの値段の比較](https://deploybase.ai/articles/cheapest-gpu-cloud-in-2026-provider-pricing-ranked)
- [Modal の値段](https://agentpedia.codes/blog/best-gpu-cloud-ai-2026)
- [さくら高火力 DOK の H100 プラン](https://businessnetwork.jp/article/22398)
- [さくら高火力 VRT](https://it.impress.co.jp/articles/-/27526)
- [Gemini Robotics ER 2 の値下げ（年末まで）](https://www.usagepricing.com/blueprint/activity/google-gemini-2026-09-16-robotics-er2-price-cut)
- [SO-101 の部品代（AI Wiki）](https://aiwiki.ai/wiki/so_101/raw)
- [Seeed SO-ARM101 Pro 組み立て済み](https://files.seeedstudio.com/Bazaar/product_pdf/100046482.pdf)
- [MimicGen（arXiv 2310.17596）](https://arxiv.org/pdf/2310.17596)
- [InternData-A1（arXiv 2511.16651）](https://arxiv.org/pdf/2511.16651v1)
- [openpi の説明（AI Wiki）](https://aiwiki.ai/wiki/openpi)
- [Gemini Robotics 2 の解説（Labellerr）](https://www.labellerr.com/blog/gemini-robotics-2-google-deepmind/)
```


## 対話の中で参照した情報

- [X：The Humanoid Hub の投稿（Genie 4 の紹介）](https://x.com/thehumanoidhub/status/2115166607249142151)
- [Google DeepMind：Genie 4: A new generation of world simulation](https://deepmind.google/blog/genie-4-a-new-generation-of-world-simulation/)
- [Google DeepMind's Genie 4 Builds Interactive Worlds With a Gemini Planner（AlphaSignal）](https://alphasignal.ai/news/google-deepmind-s-genie-4-builds-interactive-worlds-with-a-gemini-planner)
- [Google DeepMind unveils Genie 4（Startup Fortune）](https://startupfortune.com/google-deepmind-unveils-genie-4-the-world-model-that-once-tanked-gaming-stocks/)
- [Project Genie の公開（TechNews）](https://technews.tw/2026/01/30/google-rolls-out-project-genie-access-to-google-ai-ultra-subscribers-in-the-us/)
- [Project Genie の試用記事（TechBuzz）](https://www.techbuzz.ai/articles/google-s-project-genie-creates-playable-nintendo-knockoffs)
- [Project Genie の評価（In Game News）](https://ingamenews.com/2026/01/google-genie-is-cool-but-its-no.html)
- [Gemini Robotics 2（Humanoid.Guide）](https://humanoid.guide/product/gemini-robotics-2/)
- [Gemini Robotics 2 の解説（Labellerr）](https://www.labellerr.com/blog/gemini-robotics-2-google-deepmind/)
- [Gemini Robotics 2 Review（AI Indigo）](https://aiindigo.com/blog/gemini-robotics-2-review-natural-language-control-for-the-physical-world)
- [Physical Intelligence Opens Pi API Beta for Robot Foundation Models（Unite.AI）](https://www.unite.ai/physical-intelligence-opens-pi-api-beta-for-robot-foundation-models/)
- [Physical Intelligence Opens Pi API Beta for π0, π0.5 Fine-Tuning（AI Weekly）](https://aiweekly.co/alerts/physical-intelligence-opens-pi-api-beta-for-0-05-fine-tuning)
- [OpenPI（AI Wiki）](https://aiwiki.ai/wiki/openpi)
- [D1 と π0.7（Digg）](https://digg.com/ai/mzi36vyp)
- [PhAIL：公開 VLA 4種の実機比較（arXiv 2605.29710）](https://arxiv.org/pdf/2605.29710)
- [PickNik：Claude Code と Runpod で π0.5 を学習する手順](https://docs.picknik.ai/how_to/vla/train_a_vla_policy/)
- [Runpod 日本の拠点 AP-JP-1](https://blog.runpod.io/runpod-expands-in-asia-pacific-with-launch-of-ap-jp-1-in-fukushima)
- [Vast.ai と Runpod の値段](https://vantaige.io/ai-tool/vast-ai)
- [Gemini Robotics ER 2 の値下げ（年末まで）](https://www.usagepricing.com/blueprint/activity/google-gemini-2026-09-16-robotics-er2-price-cut)
- そのほかの出典は、調査メモの末尾の一覧にある